CN114593908A - 一种齿轮故障分析方法及装置 - Google Patents

一种齿轮故障分析方法及装置 Download PDF

Info

Publication number
CN114593908A
CN114593908A CN202210195708.1A CN202210195708A CN114593908A CN 114593908 A CN114593908 A CN 114593908A CN 202210195708 A CN202210195708 A CN 202210195708A CN 114593908 A CN114593908 A CN 114593908A
Authority
CN
China
Prior art keywords
frequency
time
short
fault analysis
curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210195708.1A
Other languages
English (en)
Inventor
聂泳忠
王淼清
赵明
李星勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xilenma Shenzhen Technology Co ltd
Original Assignee
Xilenma Shenzhen Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xilenma Shenzhen Technology Co ltd filed Critical Xilenma Shenzhen Technology Co ltd
Priority to CN202210195708.1A priority Critical patent/CN114593908A/zh
Publication of CN114593908A publication Critical patent/CN114593908A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种齿轮故障分析方法及装置，该方法包括：获取目标齿轮的振动信号；对振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；基于第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；基于目标齿轮的传动比及啮合频率与时间的关系曲线，确定转频曲线；基于转频曲线进行故障分析得到目标齿轮的故障分析结果。从而利用齿轮在啮合处频率的幅值最大的特点，通过短时细化谱变换的方式可以准确反映频谱时间维度局部区域的特征，从而提高了啮合频率曲线及转频曲线的精确性，进而提高齿轮故障分析结果的准确性，降低了成本。

Description

一种齿轮故障分析方法及装置
技术领域
本发明涉及设备故障诊断技术领域，具体涉及一种齿轮故障分析方法及装置，
背景技术
随着机械设备的复杂性和维护成本的增加，对设备元件的故障诊断和状态监测技术受到越来越受到重视，齿轮的故障类型识别和剩余寿命预测是学术界和工业界共同研究的热点。目前对齿轮的故障诊断往往通过信号处理技术提取齿轮信号的时域、频域和变换域特征，进而判别齿轮的故障位置和严重程度。振动信号易于采集，受环境影响程度低，是特征提取的常用信号。
然而对于齿轮等旋转机械而言，低转速时旋转一圈所用的时间长，高转速时旋转一圈所用的时间短。如果按等时间采集旋转机械的振动噪声信号，则会出现这样的情况：低转速时，旋转一圈采集的数据点多；高转速时，旋转一圈采集的数据点少，这就有可能因设定的采样频率跟不上转速的变化而无法满足采样定理的要求，造成信号混叠；或者由于转速变化，信号不再是周期信号，不满足傅里叶变换要求，导致泄漏严重，从而使频谱拖尾严重。
目前通常采用振动传感器和转速传感器同步采样来解决上述问题，转速传感器在转子转过一圈采集到的脉冲信号个数可以理解为采样频率。在数字脉冲信号中可以求出等间隔角度所在的时刻，将时刻带入到等时间采用的振动信号序列进行插值，最终得到等角度的振动信号序列，以此进行齿轮故障分析。但是，这种方法要求安装转速传感器，成本高，而且对振动模拟信号和转速数字信号的同步性要求极高，现有技术中二者的同步性难以保证，进而最终影响齿轮分析结果的准确性。
发明内容
有鉴于此，本发明实施例提供了一种齿轮故障分析方法及装置以解决现有技术中采用振动传感器和转速传感器同步采样进行齿轮故障分析的方式成本高且难以保证齿轮故障分析结果准确性的问题。
根据第一方面，本发明实施例提供了一种齿轮故障分析方法，包括：
获取目标齿轮的振动信号；
对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；
基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；
基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；
基于所述目标齿轮的传动比及所述啮合频率与时间的关系曲线，确定转频曲线；
基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果。
可选地，所述对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果，包括：
对所述振动信号进行第一短时细化谱变换，得到多个短期局部时间的第二频率成分估计结果；
基于所述第二频率成分估计结果确定频率筛选范围；
基于所述频率筛选范围对所述振动信号进行第二短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果。
可选地，所述基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率，包括：
从所述第一频率成分估计结果中提取当前短期局部时间对应的当前频率成分分布；
基于所述当前频率成分分布，比较各频率成分的幅值，确定当前短期局部时间内最大幅值对应的频率。
可选地，所述转频曲线通过如下公式计算：
Figure BDA0003527100840000031
其中，f(t)表示t时刻的转频，t表示时间，F(t)表示t时刻的啮合频率，i表示所述目标齿轮的齿数，Z表示所述目标齿轮的传送比。
可选地，所述基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果，包括：
对所述转频曲线进行循环积分得到角度曲线；
对所述角度曲线进行插值得到等角度的信号序列；
对所述等角度的信号序列进行快速傅里叶变换，得到转频曲线对应的阶次谱；
对所述阶次谱进行故障分析得到所述目标齿轮的故障分析结果。
可选地，所述对所述角度曲线进行插值得到等角度的信号序列包括：
基于等角度对所述角度曲线进行插值得到等角度的时间序列；
基于等时间采样对所述时间序列进行二次插值得到等角度的信号序列。
可选地，所述获取目标齿轮的振动信号，包括：
通过加速度传感器采集所述目标齿轮的振动信号。
根据第二方面，本发明实施例提供了一种齿轮故障分析装置，包括：
获取模块，用于获取目标齿轮的振动信号；
第一处理模块，用于对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；
第二处理模块，用于基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；
第三处理模块，用于基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；
第四处理模块，用于基于所述目标齿轮的传动比及所述啮合频率与时间的关系曲线，确定转频曲线；
第五处理模块，用于基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果。
根据第三方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本发明第一方面及其任意一种可选方式所述的方法。
根据第四方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面及其任意一种可选方式所述的方法。
本发明技术方案，具有如下优点：
本发明实施例提供了一种齿轮故障分析方法及装置，通过获取目标齿轮的振动信号；对振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；基于第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；基于目标齿轮的传动比及啮合频率与时间的关系曲线，确定转频曲线；基于转频曲线进行故障分析得到目标齿轮的故障分析结果。从而利用齿轮在啮合处频率的幅值最大的特点，通过短时细化谱变换的方式可以准确反映频谱时间维度局部区域的特征，从而提高了啮合频率曲线及转频曲线的精确性，然后通过利用转频曲线进行齿轮故障分析可有效提高齿轮故障分析结果的准确性，并且无需安装转速传感器，降低了齿轮故障分析成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中齿轮故障分析方法的流程图；
图2为本发明实施例中齿轮振动信号的时域波形图；
图3为本发明实施例中啮合频率幅值示意图；
图4为本发明实施例中转频曲线示意图；
图5为本发明实施例中等角度信号序列的示意图；
图6为本发明实施例中阶次谱示意图；
图7为本发明实施例中齿轮故障分析具体工作过程示意图；
图8为本发明实施例中齿轮故障分析装置的结构示意图；
图9为本发明实施例中的电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
随着机械设备的复杂性和维护成本的增加，对设备元件的故障诊断和状态监测技术受到越来越受到重视，齿轮的故障类型识别和剩余寿命预测是学术界和工业界共同研究的热点。目前对齿轮的故障诊断往往通过信号处理技术提取齿轮信号的时域、频域和变换域特征，进而判别齿轮的故障位置和严重程度。振动信号易于采集，受环境影响程度低，是特征提取的常用信号。
然而对于齿轮等旋转机械而言，低转速时旋转一圈所用的时间长，高转速时旋转一圈所用的时间短。如果按等时间采集旋转机械的振动噪声信号，则会出现这样的情况：低转速时，旋转一圈采集的数据点多；高转速时，旋转一圈采集的数据点少。即使旋转设备在某一名义转速下工作，但实际的转速也是在一个小范围内波动，因而等时间采样时每转采集的数据点也是不相同的。低转速下满足采样定理，而高转速下，可能会不满足采样定理。另外，高转速下每转数据点少则说明包含的信息量少，同时可能因不满足采样定理而发生混叠现象。无论是大到航空航天飞行器、小到钟表器械等都涉及到旋转机械，当这些旋转机械处于运行状态时，其本身或与之关联的结构会产生一定幅值的噪声信号，当转速上升或下降时，幅值也会相应的变化。一般从噪声信号的测试结果看，噪声信号明显处所对应的频率总是转速或转速的倍数，这种倍数的关系即是阶次。这种阶次分析方式通常针对于转速不稳定的旋转设备的故障诊断。
因而等时间采样方式对旋转机械随转速波动的信号采集(如升降速信号)则存在一定的缺陷：一是有可能因设定的采样频率跟不上转速的变化而无法满足采样定理的要求，造成信号混叠；二是由于转速变化，信号不再是周期信号，不满足傅里叶变换要求，导致泄漏严重，从而使频谱拖尾严重，离散的谱线变成了谱带或者说谱线变胖，尤其高阶谐波，带宽按阶次比例改变，谱带更宽，谱图变得模糊不好分辨。这种模糊的谱线成分由于信号能量分散在一串谱线上，除使幅值有较大误差外，有时还会淹没旁瓣结构的细节，这对旋转机械的故障分析是不利的，如果能改变采样频率使其与旋转机械的转速的变化同步起来，则在频谱图上显示的转速频率及其各次谐波就会明确地保持确定的相互关系，频谱拖尾的现象就可以消除。
目前通常采用振动传感器和转速传感器同步采样来解决上述问题，转速传感器在转子转过一圈采集到的脉冲信号个数可以理解为采样频率。在数字脉冲信号中可以求出等间隔角度所在的时刻，将时刻带入到等时间采用的振动信号序列进行插值，最终得到等角度的振动信号序列，以此进行齿轮故障分析。但是，这种方法要求安装转速传感器，成本高，而且对振动模拟信号和转速数字信号的同步性要求极高，现有技术中二者的同步性难以保证，进而最终影响齿轮分析结果的准确性。
基于上述问题，本发明实施例提供了一种齿轮故障分析方法，如图1所示，该齿轮故障分析方法具体包括如下步骤：
步骤S101：获取目标齿轮的振动信号。
具体地，通过加速度传感器采集目标齿轮的振动信号。示例性地，在现场设备的齿轮箱上安装上加速度传感器，得到齿轮振动的原始波形数据，以采样频率为16384Hz，采样时长为8s为例，所得到的振动信号的时域波形如图2所示。
步骤S102：对振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果。
具体地，在现有技术中傅里叶变换在平稳信号中的分析和处理有着突出贡献，原因在于可以把复杂的时间信号和空间信号变换到频域中，然后用相对简单的频谱特性去分析和发现原信号的动态特性。傅里叶正变换从整个时间序列的所有信息来计算单个确定频率的幅值，这是由整个时间序列信号来决定。所以傅里叶变换对频谱的描绘是“全局性”的，不能反映时间维度局部区域上的特征，缺少时间信息使得傅里叶变换在非平稳信号的分析中失去作用，进而会影响频率成分估计结果的准确性。针对这一问题，在本发明实施例中通过采用短时细化谱变换来实现多个短期局部时间的第一频率成分估计，由于细化谱变换可以把一个较长的时间信号分成相同长度的更短的段，在每个更短的段上计算细化谱变换，计算公式如下：
Figure BDA0003527100840000101
其中x(n)为振动信号时间序列，w(n)为长度为M的汉宁窗，Xm(k)为在窗函数内的细化谱变换，R为重合长度，A0为起始频率点的矢量半径长度，W0为螺线的伸展率，θ为起始角度。
短时细化谱变换出来结果为一矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率沿行增加。
步骤S103：基于第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率。
具体地，通过从第一频率成分估计结果中提取当前短期局部时间对应的当前频率成分分布；基于当前频率成分分布，比较各频率成分的幅值，确定当前短期局部时间内最大幅值对应的频率。示例性地，图3为啮合频率幅值示意图。
具体地，由于齿轮箱中的振动信号因齿轮啮合冲击带来的影响最大，而且在通频谱图中可观察出啮合频率处的幅值最大。对短时细化谱得到的矩阵的每一列寻求幅值最大值处的频率，该频率即为啮合频率。
步骤S104：基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线。
具体地，通过上述短时细化谱变换的矩阵结果中频率与时间的对应关系，确定最大幅值对应的频率与时间的对应关系，然后通过拟合的方式即可得到啮合频率与时间的关系曲线。
步骤S105：基于目标齿轮的传动比及啮合频率与时间的关系曲线，确定转频曲线。
具体地，转频曲线通过如下公式计算：
Figure BDA0003527100840000111
其中，f(t)表示t时刻的转频，t表示时间，F(t)表示t时刻的啮合频率，i表示目标齿轮的齿数，Z表示目标齿轮的传送比。示例性地，图4为转频曲线示意图。
步骤S106：基于转频曲线进行故障分析得到目标齿轮的故障分析结果。
通过执行上述步骤，本发明实施例提供的齿轮故障分析方法，通过利用齿轮在啮合处频率的幅值最大的特点，通过短时细化谱变换的方式可以准确反映频谱时间维度局部区域的特征，从而提高了啮合频率曲线及转频曲线的精确性，然后通过利用转频曲线进行齿轮故障分析可有效提高齿轮故障分析结果的准确性，并且无需安装转速传感器，降低了齿轮故障分析成本。
具体地，在一实施例中，上述的步骤S102具体包括如下步骤：
步骤S201：对振动信号进行第一短时细化谱变换，得到多个短期局部时间的第二频率成分估计结果。
具体地，通过采用上述短时细化谱变换公式即可得到多个短期局部时间的第二频率成分估计结果。
步骤S202：基于第二频率成分估计结果确定频率筛选范围。
具体地，通过在第二频率成分估计结果中找到最大幅值对应的频率，在该频率的设定范围内得到频率筛选范围，该设定范围的大小可根据实际故障分析精度要求进行灵活的设置，本发明并不以此为限。
步骤S203：基于频率筛选范围对振动信号进行第二短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果。
具体地，最终第一频率成分估计结果的准确性将会受到在第一短时细化谱变换所筛选最大幅值频率是否为合频率及频率筛选范围两方面的影响。在第一短时细化谱变换所筛选最大幅值频率是啮合频率时，频率筛选范围越小则所得到的频率成分估计结果越准准确，反之在第一短时细化谱变换所筛选最大幅值频率不是啮合频率时，则要适当增大频率筛选范围以确定更加准确的啮合频率，进而保障最终频率成分估计结果的准确性。
示例性地，假设每个时刻频率在25Hz附近的幅值较大。此时只需要提取出每个时刻幅值最大的频率，可以再次采用短时细化谱分析，频率筛选范围设为20～30Hz，即只对该频率筛选范围的振动信号进行短时细化谱分析，这样可得到更高得频率精度，从而得到更精确的啮合频率曲线，进一步提高最终故障分析结果的准确性。
具体地，在一实施例中，上述的步骤S106具体包括如下步骤：
步骤S301：对转频曲线进行循环积分得到角度曲线。
具体地，在已知转频随时间变化的情况下，根据分析频率的需要，设置等角度的间隔，对转频曲线进行循环积分得到角度曲线。
步骤S302：对角度曲线进行插值得到等角度的信号序列。
具体地，通过基于等角度对角度曲线进行插值得到等角度的时间序列；基于等时间采样对时间序列进行二次插值得到等角度的信号序列。
示例性地，假设选择角度间隔0.001度，在此曲线上进行插值，得到等角度的时间序列。最后在等时间采样的基础上进行二次插值，得到等角度的信号序列。具体插值可采用分段方法，取需插值的前后各两点，拟合为三次样条曲线，如下公式所示：
y＝ai+bix+cix2+dix3
其中ai，bi，ci，di四个参数可通过四个已知点来求矩阵方程求出，从而得到插值点坐标值。具体差值过程可参见现有技术中三次样条差值方法的详细过程，在此不再进行赘述。
步骤S303：对等角度的信号序列进行快速傅里叶变换，得到转频曲线对应的阶次谱。
具体地，将上述步骤S302得到的等角度的信号序列进行FFT变换，得到转频的阶次谱，示例性地，图6为某齿轮对应的阶次谱示意图。
步骤S304：对阶次谱进行故障分析得到目标齿轮的故障分析结果。
具体地，根据齿轮的故障特征，可以根据阶次谱进行故障分析。具体如何利用阶次谱及齿轮的故障特征进行故障分析的过程为现有技术，具体故障分析过程可参照现有技术中通过阶次谱对齿轮或轴承等机械元件进行故障分析的实现过程，此过程并非本申请的发明点，在此不再进行赘述。
本发明所提供的技术方案的具体工作过程如图7所示，通过利用短时细化谱变换，得到二维矩阵构建color map图，由于齿轮啮合处频率的幅值最大，将color map图中的每个短时细化谱变换得到的频域-幅值关系中提取出幅值最大的频率，从而得到时间-频率曲线，间接得到时间-转频曲线，最终可进行阶次分析。并且在提取出转频曲线后，经过两次插值处理，得到的角度重采样的振动信号，最后通过阶次谱进行齿轮故障分析，保障了齿轮在转速不稳定的情况下的故障分析结果的准确性，并且降低了故障分析成本。
通过执行上述步骤，本发明实施例提供的齿轮故障分析方法，通过利用齿轮在啮合处频率的幅值最大的特点，通过短时细化谱变换的方式可以准确反映频谱时间维度局部区域的特征，从而提高了啮合频率曲线及转频曲线的精确性，然后通过利用转频曲线进行齿轮故障分析可有效提高齿轮故障分析结果的准确性，并且无需安装转速传感器，降低了齿轮故障分析成本。
本发明实施例还提供了一种齿轮故障分析装置，如图8所示，该齿轮故障分析装置具体包括：
获取模块101，用于获取目标齿轮的振动信号。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。
第一处理模块102，用于对振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果。详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。
第二处理模块103，用于基于第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率。详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。
第三处理模块104，用于基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线。详细内容参见上述方法实施例中步骤S104的相关描述，在此不再进行赘述。
第四处理模块105，用于基于目标齿轮的传动比及啮合频率与时间的关系曲线，确定转频曲线。详细内容参见上述方法实施例中步骤S105的相关描述，在此不再进行赘述。
第五处理模块106，用于基于转频曲线进行故障分析得到目标齿轮的故障分析结果。详细内容参见上述方法实施例中步骤S106的相关描述，在此不再进行赘述。
上述各个模块的更进一步的功能描述与上述对应方法实施例相同，在此不再赘述。
通过上述各个组成部分的协同合作，本发明实施例提供的齿轮故障分析装置，通过利用齿轮在啮合处频率的幅值最大的特点，利用短时细化谱变换的方式可以准确反映频谱时间维度局部区域的特征，从而提高了啮合频率曲线及转频曲线的精确性，然后通过利用转频曲线进行齿轮故障分析可有效提高齿轮故障分析结果的准确性，并且无需安装转速传感器，降低了齿轮故障分析成本。
本发明实施例还提供了一种电子设备，如图9所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种齿轮故障分析方法，其特征在于，包括：
获取目标齿轮的振动信号；
对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；
基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；
基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；
基于所述目标齿轮的传动比及所述啮合频率与时间的关系曲线，确定转频曲线；
基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果，包括：
对所述振动信号进行第一短时细化谱变换，得到多个短期局部时间的第二频率成分估计结果；
基于所述第二频率成分估计结果确定频率筛选范围；
基于所述频率筛选范围对所述振动信号进行第二短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率，包括：
从所述第一频率成分估计结果中提取当前短期局部时间对应的当前频率成分分布；
基于所述当前频率成分分布，比较各频率成分的幅值，确定当前短期局部时间内最大幅值对应的频率。
4.根据权利要求1所述的方法，其特征在于，所述转频曲线通过如下公式计算：
Figure FDA0003527100830000021
其中，f(t)表示t时刻的转频，t表示时间，F(t)表示t时刻的啮合频率，i表示所述目标齿轮的齿数，Z表示所述目标齿轮的传送比。
5.根据权利要求1所述的方法，其特征在于，所述基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果，包括：
对所述转频曲线进行循环积分得到角度曲线；
对所述角度曲线进行插值得到等角度的信号序列；
对所述等角度的信号序列进行快速傅里叶变换，得到转频曲线对应的阶次谱；
对所述阶次谱进行故障分析得到所述目标齿轮的故障分析结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述角度曲线进行插值得到等角度的信号序列包括：
基于等角度对所述角度曲线进行插值得到等角度的时间序列；
基于等时间采样对所述时间序列进行二次插值得到等角度的信号序列。
7.根据权利要求5所述的方法，其特征在于，所述获取目标齿轮的振动信号，包括：
通过加速度传感器采集所述目标齿轮的振动信号。
8.一种齿轮故障分析装置，其特征在于，包括：
获取模块，用于获取目标齿轮的振动信号；
第一处理模块，用于对所述振动信号进行短时细化谱变换，得到多个短期局部时间的第一频率成分估计结果；
第二处理模块，用于基于所述第一频率成分估计结果，确定各短期局部时间内最大幅值对应的频率；
第三处理模块，用于基于各短期局部时间内最大幅值对应的频率，建立啮合频率与时间的关系曲线；
第四处理模块，用于基于所述目标齿轮的传动比及所述啮合频率与时间的关系曲线，确定转频曲线；
第五处理模块，用于基于所述转频曲线进行故障分析得到所述目标齿轮的故障分析结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，以执行如权利要求1-7中任一项所述方法。
CN202210195708.1A 2022-03-01 2022-03-01 一种齿轮故障分析方法及装置 Pending CN114593908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210195708.1A CN114593908A (zh) 2022-03-01 2022-03-01 一种齿轮故障分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210195708.1A CN114593908A (zh) 2022-03-01 2022-03-01 一种齿轮故障分析方法及装置

Publications (1)

Publication Number Publication Date
CN114593908A true CN114593908A (zh) 2022-06-07

Family

ID=81808345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210195708.1A Pending CN114593908A (zh) 2022-03-01 2022-03-01 一种齿轮故障分析方法及装置

Country Status (1)

Country Link
CN (1) CN114593908A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436052A (zh) * 2022-08-31 2022-12-06 中南大学 一种转频自动搜索方法、系统、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150369699A1 (en) * 2014-06-19 2015-12-24 United Technologies Corporation System and method for monitoring gear and bearing health
CN105241666A (zh) * 2015-09-21 2016-01-13 华南理工大学 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN105806613A (zh) * 2015-11-24 2016-07-27 国网内蒙古东部电力有限公司电力科学研究院 一种基于阶比复杂度的行星齿轮箱故障诊断方法
CN110907162A (zh) * 2019-12-13 2020-03-24 北京天泽智云科技有限公司 一种变转速下无转速计的旋转机械故障特征提取方法
CN112362343A (zh) * 2020-10-28 2021-02-12 华南理工大学 基于调频字典的齿轮箱变转速下分布型故障特征提取方法
CN112380671A (zh) * 2020-10-14 2021-02-19 华南理工大学 一种齿轮故障振动调制信号的通用幅值解调方法
CN112665851A (zh) * 2020-10-28 2021-04-16 西安交通大学 一种无键相变转速齿轮箱故障诊断方法
CN113702043A (zh) * 2021-08-09 2021-11-26 大连理工大学 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法
CN114061948A (zh) * 2021-11-16 2022-02-18 西安热工研究院有限公司 一种风力发电机组齿轮箱的故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150369699A1 (en) * 2014-06-19 2015-12-24 United Technologies Corporation System and method for monitoring gear and bearing health
CN105241666A (zh) * 2015-09-21 2016-01-13 华南理工大学 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN105806613A (zh) * 2015-11-24 2016-07-27 国网内蒙古东部电力有限公司电力科学研究院 一种基于阶比复杂度的行星齿轮箱故障诊断方法
CN110907162A (zh) * 2019-12-13 2020-03-24 北京天泽智云科技有限公司 一种变转速下无转速计的旋转机械故障特征提取方法
CN112380671A (zh) * 2020-10-14 2021-02-19 华南理工大学 一种齿轮故障振动调制信号的通用幅值解调方法
CN112362343A (zh) * 2020-10-28 2021-02-12 华南理工大学 基于调频字典的齿轮箱变转速下分布型故障特征提取方法
CN112665851A (zh) * 2020-10-28 2021-04-16 西安交通大学 一种无键相变转速齿轮箱故障诊断方法
CN113702043A (zh) * 2021-08-09 2021-11-26 大连理工大学 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法
CN114061948A (zh) * 2021-11-16 2022-02-18 西安热工研究院有限公司 一种风力发电机组齿轮箱的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王淼清 等: "基于边带相关算法和 Hilbert 包络谱的滚动轴承故障诊断", 《机械传动》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436052A (zh) * 2022-08-31 2022-12-06 中南大学 一种转频自动搜索方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
Zhao et al. A tacho-less order tracking technique for large speed variations
Wang et al. Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis
CN105181019B (zh) 旋转类机械早期故障预警分析方法
Wu et al. Characterization of gear faults in variable rotating speed using Hilbert-Huang Transform and instantaneous dimensionless frequency normalization
CN104931197A (zh) 基于eemd的自动平衡机振动信号处理方法
CN108871742B (zh) 一种改进的无键相故障特征阶次提取方法
US11927501B2 (en) Method and device for monitoring a gear system
Rodopoulos et al. A parametric approach for the estimation of the instantaneous speed of rotating machinery
CN113654798A (zh) 故障诊断方法、装置及电子设备
Sharma A review on vibration-based fault diagnosis techniques for wind turbine gearboxes operating under nonstationary conditions
CN114593908A (zh) 一种齿轮故障分析方法及装置
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN113361331B (zh) 基于加窗插值fft的工频干扰消除方法、系统和介质
CN113761466A (zh) 一种旋转机械振动信号阶比谱构造方法及装置
Wu et al. Fault diagnosis in speed variation conditions via improved tacholess order tracking technique
CN113340640B (zh) 旋转机械轴心轨迹提纯方法、装置、设备和存储介质
CN115539324A (zh) 一种风电机组故障诊断方法、装置及电子设备
Choudhury et al. An overview of fault diagnosis of industrial machines operating under variable speeds
Li et al. Revision of bearing fault characteristic spectrum using LMD and interpolation correction algorithm
Camerini et al. Impact of pulse time uncertainty on synchronous average: Statistical analysis and relevance to rotating machinery diagnosis
CN114048879A (zh) 故障检测方法、装置、系统、计算机设备及可读存储介质
Sternharz et al. Comparative performance assessment of methods for operational modal analysis during transient order excitation
CN110219816A (zh) 用于风机故障诊断的方法和系统
WO2021089936A1 (fr) Procédé, dispositif et programme d'ordinateur de surveillance d'une machine tournante d'un aéronef

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220607